---
title: "Apakah itu reranking? Reranker cross-encoder dalam RAG"
description: "Reranking menskor semula hasil teratas carian pertama dengan model yang lebih tepat, biasanya cross-encoder, sebelum ia sampai kepada LLM. Cara ia berfungsi."
url: https://broadrouter.com/ms/glossary/reranking/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/glossary/reranking/) (dikemas kini 2026-11-15).

# Reranking (penyusunan semula kedudukan)

Dikemas kini 2026-11-15

Reranking ialah peringkat dapatan semula kedua di mana model yang lebih tepat tetapi lebih perlahan, biasanya cross-encoder, menskor setiap pasangan pertanyaan dan dokumen calon daripada carian pertama dan menyusunnya semula, supaya hanya beberapa yang paling relevan dihantar kepada model bahasa.

Juga dikenali sebagai: reranking, reranker, rerank, re-ranking, cross-encoder reranker, penyusunan semula kedudukan

Carian peringkat pertama pantas tetapi kasar. Reranking membelanjakan lebih banyak pengiraan pada senarai pendek untuk membetulkan susunannya.

## Cara ia berfungsi

Saluran paip dua peringkat:

1.  **Dapatkan.** Kaedah pantas, seperti [embedding](https://broadrouter.com/ms/glossary/embeddings/) dalam [pangkalan data vektor](https://broadrouter.com/ms/glossary/vector-database/), [BM25](https://broadrouter.com/ms/glossary/bm25/) atau [carian hibrid](https://broadrouter.com/ms/glossary/hybrid-search/), memulangkan 50 hingga 100 calon teratas.
2.  **Rerank.** Reranker membaca pertanyaan dan setiap calon bersama-sama dan memberi setiap pasangan skor relevan. Simpan 3 hingga 10 teratas.

Kebanyakan reranker ialah cross-encoder. Dokumentasi Sentence Transformers menyatakan cross-encoder “Generally provides superior performance compared to a Sentence Transformer (a.k.a. bi-encoder) model,” (Terjemahan BroadRouter: “Secara umumnya memberi prestasi yang lebih baik berbanding model Sentence Transformer (juga dikenali sebagai bi-encoder),”) tetapi “Often slower” (Terjemahan BroadRouter: “Selalunya lebih perlahan”) kerana “it requires computation for each pair rather than each text.” (Terjemahan BroadRouter: “ia memerlukan pengiraan bagi setiap pasangan dan bukan setiap teks.”) Dokumentasi itu menerangkan cross-encoder sebagai “often used to re-rank the top-k results” (Terjemahan BroadRouter: “sering digunakan untuk menyusun semula hasil top-k”) daripada bi-encoder.

```python
from sentence_transformers import CrossEncoder

model = CrossEncoder("cross-encoder/ms-marco-MiniLM-L6-v2")
ranks = model.rank(query, passages)   # passages from your first-stage search
top = [passages[r["corpus_id"]] for r in ranks[:5]]
```

Pendekatan ini bermula sekurang-kurangnya sejak Nogueira dan Cho (2019), yang melakukan fine-tuning BERT sebagai re-ranker petikan dan melaporkan peningkatan relatif 27% dalam MRR@10 berbanding hasil terbaik sebelumnya pada dapatan semula petikan MS MARCO.

API rerank yang dihoskan juga wujud. Endpoint rerank Cohere “takes in a query and a list of texts and produces an ordered array with each text assigned a relevance score,” (Terjemahan BroadRouter: “menerima pertanyaan dan senarai teks lalu menghasilkan tatasusunan tersusun dengan setiap teks diberi skor relevan,”) dengan skor dinormalkan kepada julat 0 hingga 1 dan medan `top_n` untuk mengehadkan hasil.

## Mengapa ia penting

-   **Kualiti jawapan.** LLM hanya boleh menggunakan apa yang anda hantar. Susunan yang lebih baik meletakkan cebisan yang betul dalam prompt.
-   **Kos token.** Dengan reranker yang baik, anda boleh menghantar 3 cebisan dan bukan 10, yang mengurangkan token input pada setiap soalan.
-   **Kependaman.** Reranker menambah satu langkah. Kosnya meningkat mengikut bilangan calon, jadi pastikan senarai itu pendek.

## Di BroadNet Inference

BroadNet tidak menawarkan endpoint rerank atau endpoint embedding. Jalankan cross-encoder sendiri, contohnya dengan Sentence Transformers, atau gunakan API rerank yang dihoskan, kemudian hantar cebisan teratas kepada model chat BroadNet melalui Chat Completions API yang serasi OpenAI.

Untuk dokumen bahasa Arab, pastikan reranker anda dilatih pada data bahasa Arab atau berbilang bahasa; [Arabic RAG search](https://broadrouter.com/ms/blog/arabic-rag-search/) meliputi bahagian lain saluran paip. Jika korpus anda kecil, model konteks panjang seperti [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) mungkin membolehkan anda melangkau dapatan semula; lihat [long context vs RAG](https://broadrouter.com/ms/blog/long-context-vs-rag/).

## Soalan lazim

### Mengapa tidak gunakan cross-encoder untuk keseluruhan carian?

Ia menskor setiap pasangan pertanyaan dan dokumen secara berasingan, jadi ia terlalu perlahan untuk dijalankan ke atas seluruh koleksi. Peringkat pertama mengecilkan berjuta-juta dokumen kepada puluhan atau ratusan, dan reranker hanya menyusun yang itu.

### Bolehkah LLM menjadi reranker?

Ya. Anda boleh meminta model chat menskor atau menyusun calon. Ia biasanya lebih perlahan dan lebih mahal bagi setiap pertanyaan berbanding cross-encoder kecil, jadi uji kedua-duanya pada data anda.

### Berapa banyak calon yang patut saya rerank?

Cukup supaya jawapan yang betul biasanya ada di antaranya. Ukur seberapa kerap cebisan yang betul muncul dalam 20, 50 dan 100 teratas peringkat pertama, dan pilih bilangan terkecil dengan recall yang baik.

## Lihat juga

-   [RAG (retrieval-augmented generation)](https://broadrouter.com/ms/glossary/rag/) (istilah)
-   [Embedding (vektor teks)](https://broadrouter.com/ms/glossary/embeddings/) (istilah)
-   [Carian hibrid (hybrid search)](https://broadrouter.com/ms/glossary/hybrid-search/) (istilah)
-   [BM25](https://broadrouter.com/ms/glossary/bm25/) (istilah)
-   [Chunking (pemecahan dokumen untuk RAG)](https://broadrouter.com/ms/glossary/chunking/) (istilah)
-   [Pangkalan data vektor (vector database)](https://broadrouter.com/ms/glossary/vector-database/) (istilah)
-   [Guna LlamaIndex dengan BroadNet Inference melalui OpenAILike](https://broadrouter.com/ms/guides/llamaindex-openailike/) (panduan)
-   [RAG bahasa Arab: penormalan, chunking dan carian yang berkesan](https://broadrouter.com/ms/blog/arabic-rag-search/) (artikel)
-   [Konteks panjang vs RAG: bila 1M token menggantikan DB vektor](https://broadrouter.com/ms/blog/long-context-vs-rag/) (artikel)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

[Mulakan](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-glossary-reranking&utm_content=page-cta) ·

**Sumber**

-   [Nogueira dan Cho, Passage Re-ranking with BERT, arXiv 1901.04085 (disemak 2026-11-15)](https://arxiv.org/abs/1901.04085)
-   [Dokumentasi Sentence Transformers, penggunaan cross-encoder (disemak 2026-11-15)](https://sbert.net/docs/cross_encoder/usage/usage.html)
-   [Rujukan API Cohere, rerank (disemak 2026-11-15)](https://docs.cohere.com/reference/rerank)
